一、基本信息

论文题目：《Comparison of Collaborative Filtering Algorithms:Limitations of Current Techniques and Proposals for Scalable,High-Performance Recommender Systems》

发表时间：February 2011,ACM Transactions on the Web,Vol.5,No.1,Article 2

论文作者及单位：FIDEL CACHEDA,VICTOR CARNEIRO,DIEGO FERNANDEZ,VREIXO FORMOSO(University of A Coruna)

论文地址：https://dl.acm.org/citation.cfm?id=1921593

我的评分：5颗星
 

二、摘要

本文比较了一些不同的协同过滤算法，阐述了它们各自主要的优缺点，并提出了两种新的可以提高推荐系统评估准确度的矩阵。同时还提出了一种新的协同过滤算法，通过我们的实验发现这种新的算法在数据稀疏情况下的表现丝毫不差于目前最好的方法，并且它还有着更低的复杂度。

三、论文的工作

1、对state of the art进行了综述，介绍了基于内容过滤以及协同过滤下model-based和memory-based的优缺点。

2、介绍了现有评估方法存在的问题与挑战。

3、对现有推荐算法的原理进行了十分详细的推导，包含了每一步骤的公式.

4、大多数协同过滤算法都在寻找用户之间的共同点，因此数据稀疏问题很难解决。本文提出的新算法则专注于用户评分的不同点（偏好相同的用户，有的喜欢打分偏高，有的喜欢打分偏低），这种算法基于用户打分的趋势，排除用户打分偏好的影响，找出分数用户真正喜欢的或不喜欢的商品。

5、分别说明了当年流形的MAE、RMSE、ROC、precision and recall评估方法的缺点。

6、提出了两种新的评估方法：Good Items MAE(GIM)、Good Predicted Items MAE(GPIM)

7、在movielens数据集上对当前流形的不同推荐算法以及新提出的Tendencies-based算法进行了测试，并分析了结果。

四、总结

个人觉得这篇文章将推荐系统的发展推向了一个新的台阶，作者从消费者行为学与心理学的视角入手，发现了用户在对物品评分时存在打分偏好这一现象，这会严重影响原有推荐系统的效率。然后为了解决这一问题，作者提出了一种基于趋势的协同过滤算法，消除了一部分打分偏好问题，大大提高了推荐系统的准确率。同时作者还发现原有的评估方法存在着很大的问题，并提出了两种新的评估方法，同样是十分重大的贡献。